Introduzione: Il passaggio di dati-drive nel recupero dell'olio

Tuttavia, la crescente disponibilità di dati sub-superficiali ad alta risoluzione, feed di sensori in tempo reale, e le storie di produzione ha aperto la porta a un nuovo approccio: machine learning. Applicando algoritmi che imparano direttamente dai dati, gli operatori possono scoprire modelli che i metodi tradizionali mancano, portando a previsioni più accurate e decisioni più veloci.

Quando geoscienziati e ingegneri combinano la loro comprensione della fisica del serbatoio con la potenza di riconoscimento del modello degli algoritmi, il risultato è un piano di recupero più robusto e adattativo. L'impatto è misurabile: fattori di recupero più elevati, costi operativi inferiori e ridotte impronte ambientali.

Comprendere l'apprendimento della macchina in recupero del petrolio

L'apprendimento automatico nel contesto del recupero del petrolio comporta la formazione di modelli computazionali sui dati storici e in tempo reale per eseguire attività come la classificazione, la regressione, il raggruppamento e la rilevazione di anomalia. Questi modelli imparano le relazioni tra variabili di ingresso, come la porosità, la permeabilità, i tassi di iniezione e la pressione, e gli obiettivi di uscita come i tassi di produzione del petrolio o il taglio dell'acqua.

Tecniche di apprendimento della macchina chiave applicate

  • Imparare Supervised[]: Usato per le attività di regressione e classificazione. Ad esempio, predire i tassi di flusso del petrolio da ben log o classificare i tipi di roccia da attributi sismici.
  • Imparare senza supervisione[]: Applicato a raggruppare zone di serbatoio simili o rilevare outlier nei dati dei sensori. K-means, DBSCAN e autoencoders aiutano a identificare punti dolci o comportamento di pressione anomalo senza dati di formazione etichettati.
  • Imparare a rinforzare[]: Una tecnica emergente per ottimizzare le decisioni sequenziali, come ad esempio la regolazione dei tassi di iniezione e di produzione nel tempo per massimizzare il recupero cumulativo. L'algoritmo impara politiche ottimali attraverso la prova e l'errore in un ambiente simulato.
  • Deep Learning[]: Le reti neurali convoluzionali e ricorrenti sono utilizzate rispettivamente per l'interpretazione sismica dell'immagine e la previsione delle serie temporali, che possono catturare interazioni complesse e non lineari che i modelli più semplici mancano.

Fonti di dati e sfide di preprocessing

Il successo di qualsiasi progetto di apprendimento automatico dipende dalla qualità e dalla quantità dei dati di input. Nel recupero del petrolio, i dati provengono da fonti multiple: indagini sismiche 3D, registri di pozzo, campioni di base, storie di produzione, calibri di pressione e temperatura, e anche immagini satellitari. Ogni fonte ha la sua risoluzione, frequenza di campionamento e caratteristiche di rumore. Prima di alimentare questi dati in un modello, gli ingegneri devono pulire, normalizzare e allineare i dati, un passo che spesso consuma.

Applicazioni principali di apprendimento automatico in recupero olio

L'apprendimento automatico tocca quasi ogni fase del ciclo di vita di recupero del petrolio, dall'esplorazione attraverso l'abbandono.

Caratterizzazione e modellazione del Conservatorio

I modelli di serbatoio accurati sono la base dell'ottimizzazione del recupero. Tradizionalmente, questi modelli sono costruiti da geologi che interpretano manualmente gli orizzonti sismici e i registri bene, quindi popolano una griglia statica con le stime di proprietà. L'apprendimento automatico accelera e perfeziona questo processo. Per esempio, i modelli di apprendimento profondo possono segmentare i volumi sismici in facies con alta precisione, riducendo il tempo di interpretazione da settimane a ore.

Inoltre, le reti adversariali generative (GAN) sono utilizzate per creare realizzazioni ad alta risoluzione di proprietà del serbatoio, consentendo la quantificazione dell'incertezza in una frazione del tempo richiesto dai metodi geostatistici tradizionali, consentendo agli operatori di eseguire migliaia di simulazioni di flusso e selezionare il piano di sviluppo più robusto.

Ottimizzazione e previsione della produzione

Una volta che un campo è in produzione, gli operatori devono decidere su impostazioni di soffocamento, tassi di iniezione e programmi di workover. I modelli di apprendimento automatico possono prevedere tassi di produzione mesi o anni prima imparando dalle tendenze storiche e dalle condizioni attuali. Ad esempio, una rete di memoria a breve termine (LSTM) addestrata su olio quotidiano, gas e tassi d'acqua accanto alla pressione del fondo può prevedere eventi di progresso dell'acqua con tempi di piombo sufficienti per regolare i profili di iniezione.

Grazie alla fusione di pozzi basati sulle curve di declino della produzione e sulle proprietà del serbatoio, gli ingegneri possono individuare rapidamente i candidati per l'intervento, come la stimolazione acida o la fratturazione idraulica, senza dover ricorrere a una revisione manuale completa.

Manutenzione predittiva per attrezzature per il downhole

Il guasto dell'attrezzatura è una fonte importante di inattività non pianificata e la produzione persa. Le pompe sommergibili elettriche (ESP), le valvole di sollevamento del gas e i coppi di scarico sono particolarmente sensibili. I modelli di apprendimento della macchina addestrati sui registri di guasti storici e i dati del sensore in tempo reale (vibrazione, temperatura, estrazione corrente) possono prevedere i guasti imminenti giorni o anche settimane in anticipo.

Ottimizzazione del parametro di perforazione

La perforazione è un'attività ad alto costo, ad alto rischio, dove ogni ora conta. I modelli di apprendimento automatico possono consigliare il peso ottimale su bit, velocità rotante e proprietà fango per massimizzare il tasso di penetrazione, minimizzando l'usura e il rischio di tubi bloccati. L'apprendimento di rinforzo è particolarmente promettente: gli algoritmi imparano da dati di perforazione in tempo reale, regolando continuamente i parametri per mantenere le prestazioni ottimali.

Controllo di processo di recupero dell'olio migliorato (EOR)

I metodi EOR come la fluoding, l'iniezione di CO2 e l'inondazione di polimeri comportano dinamiche fluide complesse che sono difficili da ottimizzare manualmente. L'apprendimento automatico può modellare la risposta dei fluidi di serbatoio ai sistemi di iniezione, quindi consigliare i tassi di iniezione e i modelli di pozzo che massimizzano l'efficienza di spazzamento.

Benefici e Adozione di un'industria

I vantaggi dell'apprendimento automatico nel recupero del petrolio non sono teorici, ma sono realizzati in campi in tutto il mondo. Uno studio approfondito di Accenture ha scoperto che le aziende petrolifere e gas che hanno investito molto in AI hanno raggiunto una riduzione del 15% delle spese operative e un aumento del 5% del recupero di idrocarburi in media.

Case study: L'uso di Equinor dell'intelligenza artificiale sul campo Johan Sverdrup

Equinor ha integrato la macchina imparando nelle sue operazioni sul gigantesco campo Johan Sverdrup nel Mare del Nord. Utilizzando modelli predittivi per la produzione di sabbia e la scoperta dell'acqua, l'azienda ha ottimizzato i tassi di buona collocazione e produzione, contribuendo ad un fattore di recupero superiore al 70%—uno dei più alti al mondo per un serbatoio di carbonato.

Case study: Programma di manutenzione predittiva di Chevron

Chevron ha implementato una piattaforma di machine learning per monitorare gli ESP attraverso i suoi campi nel bacino di Midland. La piattaforma ha ridotto i tempi di fermo non pianificati del 30% e ha ridotto i costi di manutenzione del 20%.

Sfide e limitazioni

Nonostante questi successi, l'adozione diffusa di machine learning nel recupero del petrolio affronta diversi ostacoli, affrontandoli è essenziale per sbloccare il pieno potenziale della tecnologia.

Qualità e integrazione dei dati

Molti campi legacy hanno decenni di dati memorizzati in formati inconsistenti e database siloed. Anche i campi moderni generano volumi di dati dei sensori che devono essere aggregati, puliti e aggiornati correttamente. Senza dati di alta qualità, anche il modello più avanzato produrrà previsioni inaffidabili.

Modello Interpretabilità e Validità

I professionisti del petrolio e del gas sono formati a fidarsi di modelli basati sulla fisica che possono essere spiegati in termini di leggi fondamentali. I modelli di apprendimento automatico, in particolare le reti neurali profonde, sono spesso visti come “scatole nere”. Questa mancanza di interpretazione rende difficile ottenere l’approvazione della normativa o l’acquisto da parte degli ingegneri.

Barriera organizzativa e abilitÃ

La costruzione di un'efficace capacità di apprendimento automatico richiede un team di scienziati di dati, ingegneri software e esperti di dominio che possono lavorare insieme. Molte compagnie petrolifere e gas devono affrontare un divario di talento in questo settore. Inoltre, è necessario un cambiamento culturale per passare dal processo decisionale deterministico ai metodi probabilistici e informati.

Tendenze future di Outlook ed emergenti

Il campo dell'apprendimento automatico per il recupero del petrolio si sta evolvendo rapidamente, e diverse tendenze plasmano il prossimo decennio di sviluppo.

Integrazione con modelli basati sulla fisica

Invece di trattare l'apprendimento automatico come strumento standalone, l'industria si sta muovendo verso modelli ibridi che combinano i punti di forza delle simulazioni basate sulla fisica e l'apprendimento dei dati, questi modelli possono estrapolare oltre i dati di formazione, mentre l'apprendimento da osservazioni per correggere le biasi sistematiche.

Analisi di calcolo e real-time degli bordi

Poiché i sensori diventano più economici e più potenti, la capacità di elaborare i dati al bordo, sul rig o sulla testata, è in aumento. I modelli di apprendimento automatico possono essere eseguiti su dispositivi incorporati per fornire avvisi o azioni di controllo immediate senza contare su una connessione cloud. Ciò è particolarmente utile per le attività remote o offshore in cui la larghezza di banda è limitata.

Operazioni di campo autonome AI-Driven

La visione finale è un campo completamente autonomo in cui gli algoritmi di machine learning ottimizzano ogni aspetto della produzione, guidando, completando, iniezione e manutenzione, in tempo reale. Mentre la piena autonomia è ancora anni, sta emergendo una parziale autonomia. Ad esempio, sistemi di controllo a ciclo chiuso che regolano i tassi di sollevamento del gas basati sulle prestazioni in tempo reale, vengono pilotati nel Golfo del Messico.

Applicazioni di Cattura e Conservazione del carbonio (CCS)

Il monitoraggio della migrazione delle prugne di CO2, la previsione dell'integrità del caprock e l'ottimizzazione dei tassi di iniezione sono tutti problemi ben adatti ai modelli data-driven. Le aziende che costruiscono forti capacità ML per il recupero del petrolio possono sfruttarli per il CCS, garantendo la loro rilevanza in un futuro a basso contenuto di carbonio.

Conclusioni

Dall'ottimizzazione della modellazione del serbatoio al controllo predittivo del processo, la tecnologia consente agli operatori di estrarre più valore dalle attività esistenti, riducendo i costi e l'impatto ambientale. Nessun singolo modello o algoritmo è un proiettile d'argento, il successo dipende da un'attenta preparazione dei dati, dall'integrazione con competenze di dominio e dall'impegno per il miglioramento continuo.

Poiché l'industria affronta la pressione per produrre energia in modo più efficiente e sostenibile, l'apprendimento automatico offre un potente insieme di strumenti per soddisfare queste sfide. Le aziende che investono nella costruzione delle giuste capacità ora saranno meglio posizionate per prosperare nei decenni a venire. Coloro che ritardano il rischio di cadere in un campo dove ogni punto percentuale di recupero e ogni dollaro di costi operativi. Il futuro del recupero del petrolio è data-driven, e il tempo per abbracciare quella trasformazione è ora.